<![CDATA[Serangan Distributed Denial of Service (DDoS) merupakan salah satu ancaman utama terhadap ketersediaan layanan pada lingkungan cloud computing. Seiring meningkatnya kompleksitas lalu lintas jaringan pada lingkungan cloud, diperlukan metode deteksi yang mampu memberikan performa klasifikasi tinggi sekaligus efisien secara komputasi. Penelitian ini bertujuan membandingkan kinerja algoritma XGBoost dan CatBoost dalam mendeteksi serangan DDoS menggunakan dataset CloudAISED. Tahapan penelitian meliputi praproses, pencarian hyperparameter optimal menggunakan GridSearchCV, kemudian pengujian model menggunakan Monte Carlo Cross Validation (MCCV) sebanyak 30 iterasi dengan skema pembagian data 80:20. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, area under the curve (AUC), analisis confusion matrix, serta waktu pelatihan. Hasil penelitian menunjukkan bahwa kedua algoritma mampu mendeteksi serangan DDoS dengan performa yang sangat tinggi. CatBoost memperoleh nilai Accuracy sebesar 0,993881 dan F1-Score sebesar 0,994140, sedikit lebih tinggi dibandingkan XGBoost yang memperoleh Accuracy sebesar 0,992271 dan F1-Score sebesar 0,992571. Selain itu, CatBoost menghasilkan rata-rata False Negative yang lebih rendah sehingga lebih efektif dalam mendeteksi serangan DDoS. Sebaliknya, XGBoost menunjukkan waktu pelatihan yang lebih singkat dibandingkan CatBoost pada seluruh iterasi pengujian. Berdasarkan hasil tersebut, CatBoost lebih unggul dalam aspek performa klasifikasi, sedangkan XGBoost lebih unggul dari sisi efisiensi waktu pelatihan.]]>
Copyrights © 2026
